计算机视觉

光鉴科技发布面向具身智能的视觉感知解决方案，旨在为物理世界中的AI系统提供基础的视觉感知能力。

研究者提出对话式视觉地点识别新范式，将静态检索转变为交互式对话推理过程，并发布首个大规模对话基准数据集DlgQuest-Cities。

研究提出地理空间基础模型概念，通过大规模数据预训练实现AI分析范式革新，并展望了由大语言模型驱动的智能体地理推理未来。

研究者发现社交媒体中多图组合可能产生隐性毒性，并提出新数据集与检测模型MiShield，有效识别单图无害但组合有害的内容。

NVIDIA 介绍三种基于 Omniverse 平台的合成数据生成与模型微调工作流，旨在提升视觉AI智能体在工业场景中的识别准确性与适应性。

研究评估了多模态大语言模型在零样本条件下，为图像区域进行物体及部件级概念命名的能力，提出了一种可复现的评估框架，在物体级别准确率可达62%-88%。

研究者提出COMPASS框架，首次在统一多模态系统中实现构图意图的感知与可控生成，通过共享专家令牌连接分析与生成任务。

百度开源新一代OCR模型，宣称可一次性处理整本书籍级别的长文档，大幅提升复杂场景下的文字识别准确率与效率。

谷歌DeepMind发布基于生成式AI的图像重构技术，能够智能调整照片构图角度，提升视觉表现力。

Google DeepMind研究团队正在探索通过智能手机摄像头实现被动式心脏健康监测的技术方案，旨在为用户提供便捷、持续的健康数据追踪。

Google DeepMind发布Earth AI项目，旨在利用人工智能技术，从卫星图像像素分析入手，为大规模自然生态恢复提供科学的规划与决策支持。

Meta AI推出专为业余绘画设计的独特动画数据集，旨在降低动画创作门槛，让普通用户的画作也能轻松实现动态效果。

Google DeepMind发布生成式AI新进展，可智能分析并重新构图用户照片，探索图像创作的更多可能性。

Google DeepMind公布最新研究方向，探索如何利用人工智能技术帮助用户理解和评估皮肤状况，旨在将AI能力拓展至健康与生物科学领域。

Google DeepMind发布Earth AI项目，旨在利用人工智能技术分析卫星图像，为自然生态恢复提供数据驱动的规划方案。

Mistral AI 正式发布 Mistral OCR 3，该模型在文档图像的文字识别准确率与多语言支持方面均有显著提升。

清华大学团队开源的空间智能模型入选ECCV 2026，该模型在动态环境理解任务中表现优异，展现出持续学习的世界交互能力。

何恺明团队在arXiv发布最新研究成果，仅用258M参数模型即可实现高质量文本生成图像，团队六位作者中有五位为在读本科生。